Cuando un investigador utiliza un modelo de lenguaje de gran escala para redactar un artículo, la IA suele dejar rastros reveladores. Palabras como «delve», «underscore», «intricate» y «pivotal» aparecen con una frecuencia mucho mayor que en los textos humanos. Las estructuras oracionales siguen patrones predecibles. Aperturas como «En los últimos años…» y frases de transición como «no solo X, sino también Y» delatan el texto como generado por IA ante lectores entrenados, y ante los programas de detección.
Jie Ding, profesor asociado de la Escuela de Estadística de la Universidad de Minnesota, ha lanzado una herramienta diseñada para eliminar esos rastros. Llamada Academic Humanizer, es un conjunto de instrucciones estructuradas que pueden introducirse en un agente de codificación de IA (Claude Code, Codex o similar) para auditar un manuscrito académico en busca de marcas de IA y reescribirlo para que suene humano.
«El trabajo consiste en eliminar las marcas de IA sin volverlo informal, e imponer la disciplina que un humanizador general descuida: cada afirmación merece su número, figura o cita, y ningún verbo es más fuerte que la evidencia que lo respalda», dice el README de la herramienta en GitHub.
Seis capas de limpieza
El Academic Humanizer opera en seis capas. Primero, un catálogo general de marcas de IA elimina palabras sobreutilizadas (delve, intricate, tapestry, pivotal, foster, leverage, realm, seamless, entre otras). Segundo, se enfoca en marcas académicas específicas: verbos exagerados, hype de significancia, intensificadores vacíos, relleno de novedad y aperturas formulaicas. Tercero, preserva las convenciones académicas. Cuarto, empareja cada afirmación con su evidencia, sin aseveraciones sin respaldo. Quinto, calibra la voz y el entorno. Sexto, ofrece un modo de propuestas de financiación adaptado a las estructuras de revisión de NSF y NIH.
Un ejemplo de antes y después del README ilustra el efecto. Antes: «En los últimos años, el aprendizaje continuo ha atraído una atención creciente y logrado un éxito notable. Sin embargo, los métodos existentes aún enfrentan desafíos cruciales. En esta propuesta, proponemos un marco novedoso que aprovecha técnicas de vanguardia para profundizar en estos problemas intrincados, allanando el camino para un paradigma transformador que revolucionará el campo.» Después: «El aprendizaje continuo importa, pero los métodos actuales siguen siendo empíricos y sus principios no están claros. Eso limita la fiabilidad y el progreso. Esta propuesta construye un marco basado en principios en tres frentes: adaptación, supervisión suave y conocimiento interdisciplinario.»
El debate ético
Las reacciones han estado claramente divididas. Francisco Maria Calisto, investigador en informática de salud de la Universidad de Lisboa, dijo a Nature que usa la herramienta intensivamente. «Es la mejor que he usado nunca», afirmó, tanto para correos electrónicos y documentación de código como para manuscritos.
Miguel Angel Blazquez Rodriguez, biólogo vegetal de la Universidad Politécnica de Valencia, fue contundente: «No me gusta. Es engañoso.»
Cassidy Sugimoto, científica de la información de la Universidad Carnegie Mellon, expresó su preocupación: «Temo que este caso de uso sea perjudicial para la ciencia. Estoy preocupada.»
El propio Ding establece una distinción entre la herramienta y su mal uso. «Separaría la herramienta del comportamiento», dijo a Nature. «El problema ético es la no divulgación y la intención detrás de ella, no la existencia de una ayuda de edición.»
Tras las consultas de los medios, Ding actualizó la descripción de la herramienta de «elimina las marcas habituales de IA» a «agudiza la claridad y la voz», y añadió una nota ética aclarando que la herramienta no elimina la obligación de divulgar la asistencia de IA.
Una carrera armamentista de detección
El lanzamiento del Academic Humanizer se produce en un contexto de creciente uso de la IA en la publicación académica. Un estudio de febrero de 2026 de He y Bu en PNAS (DOI: 10.1073/pnas.2526734123) analizó 5.114 revistas y 5,2 millones de artículos, encontrando que, a pesar de que el 70 % de las revistas han adoptado políticas de divulgación de IA, el uso de IA en la escritura se ha disparado sin diferencias estadísticas entre las revistas con y sin dichas políticas. De 75.000 artículos publicados desde 2023, solo aproximadamente 76, aproximadamente el 0,1 %, divulgaron explícitamente el uso de IA. Los autores concluyeron que las políticas actuales han «fracasado en gran medida» en promover la transparencia.
Las empresas de detección están respondiendo. Pangram Labs, una startup de detección de IA con sede en Brooklyn fundada en 2024 por exingenieros de Google y Tesla, probó el Academic Humanizer. El CEO Max Spero dijo que las pruebas iniciales «detectaron la mayoría de los textos humanizados, pero no todos», y Pangram está diseñando versiones mejoradas para detectar el resultado de la herramienta. En un preprint de 2025 (arXiv:2501.03437), Pangram demostró un modelo llamado DAMAGE que era robusto frente a 19 herramientas de humanización y paráfrasis de IA, afirmando una precisión superior al 90 % en todos los humanizadores probados.
La cuestión es si la carrera armamentista entre humanizadores y detectores beneficia la integridad científica o simplemente aumenta el costo de la deshonestidad. Por ahora, el Academic Humanizer sigue disponible en GitHub, y el debate sobre si es una herramienta de edición legítima o un instrumento de engaño está lejos de resolverse.
Traducido por Alessandra
Sources
1. Nature News, “‘Humanizer’ tool erases signs of AI-written text” (7 July 2026). DOI: 10.1038/d41586-026-02105-3
2. Academic Humanizer GitHub repository: https://github.com/AIScientists-Dev/academic-humanizer
3. He, Y. & Bu, Y., “Academic journals’ AI policies fail to curb the surge in AI-assisted academic writing”, Proc. Natl Acad. Sci. USA 123, e2526734123 (2026). DOI: 10.1073/pnas.2526734123
4. Masrour, E., Emi, B. & Spero, M., “DAMAGE: Detecting Adversarially Modified AI Generated Text”, arXiv:2501.03437 (2025)